← Toutes les actualités

Liquid AI publie LiquidCodec : un codec vocal streaming de 74 M, environ 361× le temps réel en encodage sur un seul thread CPU

Liquid AI publie LiquidCodec, un codec vocal streaming d'environ 74 millions de paramètres dont les poids sont disponibles sur Hugging Face, destiné à remplacer Mimi dans LFM3-Audio-2B et LFM3-Omni-2B. Le fabricant annonce environ 361 fois le temps réel en encodage sur un seul thread CPU, ainsi que le meilleur ViSQOL et la plus faible distance mel sur 8 jeux de test.

Publication Mise à jour

Ce qui change

Selon un article de MarkTechPost daté du 12 novembre 2026, Liquid AI a publié LiquidCodec, un codec vocal streaming d'environ 74 millions de paramètres (73,6 M selon la fiche du modèle), dont les poids sont publiés sur Hugging Face. Il sert LFM3-Audio-2B et LFM3-Omni-2B et remplace Mimi de Kyutai — 96,2 millions de paramètres, utilisé auparavant avec LFM2-Audio-1.5B. D'après l'article, ce codec compresse l'audio 24 kHz en 12 flux de tokens, chaque trame de 80 millisecondes correspondant à 12 tokens discrets à une fréquence de trames de 12,5 Hz. Le pipeline est encode, quantize, decode : l'encodeur est entièrement causal, donc adapté au streaming ; la quantification utilise une quantification scalaire finie groupée (GFSQ) plutôt qu'une quantification vectorielle résiduelle (RVQ), de sorte que les 12 codebooks sont indépendants et peuvent être prédits en parallèle par un transformer de style MaskGIT ; le décodeur prédit directement les coefficients spectraux, sans suréchantillonnage par convolution transposée apprise. L'entraînement se déroule en deux étapes : la première sur 107 langues et 264 000 heures de parole, avec uniquement des pertes de forme d'onde et spectrales ; la seconde, sur 55 000 heures de parole pleine bande, avec un discriminateur adverse — Liquid AI affirme que cela élimine les artefacts métalliques de la première étape ; vient enfin un entraînement conscient de la quantification (QAT) portant uniquement sur le décodeur, en vue de l'inférence en périphérie. Côté vitesse, Liquid AI annonce, mesuré en FP32 sur un seul thread CPU d'un ordinateur portable Apple M4 Max, environ 361 fois le temps réel en encodage (RTF d'encodage 0,0028, contre 0,0361 pour Mimi) et environ 87 fois le temps réel en décodage (RTF de décodage 0,0115, contre 0,0329 pour Mimi). Côté qualité, l'article rapporte que LiquidCodec obtient le meilleur ViSQOL et la plus faible distance mel sur 8 jeux de test, avec un ViSQOL de 4,319 sur LibriSpeech, contre 4,219 pour NanoCodec, 4,119 pour X-Codec 2 et 4,031 pour Mimi ; dans une comparaison TTS à données, architecture et puissance de calcul fixes, il obtient le meilleur UTMOSv2 sur 8 ensembles, avec un WER de 3,15 % sur LibriSpeech contre 6,27 % pour Mimi. Pour le déploiement, le modèle peut être chargé via Hugging Face Transformers avec trust_remote_code=True, et les appels à encode() et decode() fournissent l'encodage audio et la forme d'onde ; le cache natif LiquidCodecStreamingCache permet un décodage bloc par bloc, et l'exemple de la fiche du modèle utilise CUDA et bfloat16 ; pour la périphérie, des versions GGUF Q4_0, Q4_K_M et Q8_0 destinées à llama.cpp sont publiées avec les dépôts GGUF de LFM3-Audio-2B et LFM3-Omni-2B, et l'article indique que Q4_0 associé au QAT limité au décodeur réduit l'empreinte du décodeur d'un facteur 3,5, le ViSQOL sur LibriSpeech ne passant que de 4,319 à 4,292.

Conséquences pour les développeurs

Le changement le plus direct concerne la disposition des tokens. D'après la fréquence de trames de 12,5 Hz et les 12 codebooks rapportés, une seconde d'audio correspond à environ 150 tokens discrets (calcul dérivé des données rapportées, et non propos du fabricant). Cela signifie qu'aucun modèle TTS ni modèle de langage vocal entraîné sur des tokens Mimi ne peut traiter le codec comme un composant interchangeable à chaud : la taille du vocabulaire, le nombre de codebooks et la séquence de tokens par trame diffèrent, et les checkpoints déjà affinés sur des tokens Mimi devront re-tokeniser le corpus et réentraîner leur tête de sortie, sous peine d'une dégradation nette de qualité avec le même backbone. L'indépendance introduite par GFSQ modifie par ailleurs l'espace de conception côté décodeur : les schémas de décalage entre codebooks courants avec RVQ ne sont plus nécessaires ici, un modèle de langage vocal peut prédire les 12 codebooks en parallèle, et le nombre d'étapes de décodage par trame peut donc diminuer sensiblement — au prix, côté modèle, d'une structure de têtes prédisant en parallèle par groupe plutôt qu'en autorégressif codebook par codebook. Les chiffres de RTF côté CPU influent sur la topologie de service : l'article rapporte environ 361 fois le temps réel en encodage et 87 fois en décodage sur un seul thread CPU ; si cet ordre de grandeur se vérifie globalement sur le matériel visé, le codec n'occupe plus nécessairement un GPU, ce qui permet de réserver celui-ci au modèle de langage et de faire dépendre le nombre de flux concurrents du nombre de cœurs CPU ; mais ce chiffre provient d'un ordinateur portable M4 Max en FP32 mono-thread et d'une auto-évaluation du fabricant, il faut donc le retester soi-même avant de l'appliquer à des CPU serveur et à des charges mêlant plusieurs fréquences d'échantillonnage réelles. En matière de latence de streaming, l'encodeur est décrit comme entièrement causal, tandis que l'origine de la causalité du décodeur n'est pas divulguée ; la fiche du modèle propose bien un cache de décodage bloc par bloc, mais la taille des blocs et la latence du premier son restent à mesurer, pas à supposer. Le compromis de qualité n'est pas uniforme non plus : l'article précise que NanoCodec obtient un PESQ (WB) supérieur sur 7 des 8 jeux de test et devance LiquidCodec sur la similarité de locuteur LibriSpeech, avec un SECS de 0,836 contre 0,785 ; le « meilleur » ne vaut donc que pour certaines métriques, et la conclusion peut s'inverser si le produit vise la préservation de l'identité du locuteur. Enfin, la publication des poids sur Hugging Face ne signifie pas une licence permissive : l'article indique que la page du modèle est marquée « other » et que le blog renvoie à la licence LFM, et les conditions doivent être vérifiées avant tout usage commercial. LiquidCodec est un codec, pas un modèle de dialogue : il ne change pas la façon d'accéder aux requêtes texte ou de raisonnement, mais le contrat de tokens, les actifs d'entraînement et le budget de latence du segment entrée/sortie vocal.

Intégration et évaluation

Ce qui suit relève de recommandations et d'analyses conditionnelles, non de déclarations du fabricant, et doit être vérifié sur vos propres données et votre propre matériel. Décision 1 : faut-il migrer des actifs vocaux existants ? Le changement rapporté correspondant est le remplacement de Mimi par LiquidCodec dans LFM3-Audio-2B et LFM3-Omni-2B. Le choix à faire : les équipes ayant déjà entraîné un modèle sur des tokens Mimi doivent planifier le remplacement du codec comme une migration de tokenizer (re-tokeniser et adapter ou réentraîner la tête du modèle de langage), tandis qu'un projet neuf peut démarrer directement sur les tokens LiquidCodec. La condition qui ferait changer ce choix est l'existence, ou non, de checkpoints ou de données en cache liés au vocabulaire et à la disposition des codebooks de Mimi ; sans actif réutilisable au niveau token, le coût se réduit à celui d'une évaluation. Critère d'acceptation mesurable : à jeu d'audio de validation et backbone et configuration d'entraînement identiques, comparer le WER/CER et l'UTMOSv2 du TTS avant et après migration, et mesurer en plus un aller-retour de codec avec ViSQOL, pour confirmer que la baisse reste dans votre seuil de publication avant d'avancer. Décision 2 : placer le codec sur CPU ou sur GPU, et faut-il le quantifier ? Le changement rapporté correspondant est la vitesse d'encodage et de décodage annoncée sur un seul thread CPU, ainsi que les GGUF Q4_0/Q4_K_M/Q8_0 pour llama.cpp et le QAT limité au décodeur (empreinte du décodeur réduite d'un facteur 3,5, ViSQOL de 4,319 à 4,292). Le choix à faire : placer le codec sur des threads CPU avec un décodeur quantifié, ou suivre l'exemple de la fiche du modèle en CUDA bfloat16. La condition qui ferait changer ce choix est le nombre de flux concurrents, la limite de mémoire de l'appareil visé et la sensibilité relative à la latence du premier son ou à la qualité de reconstruction ; un déploiement en périphérie à forte concurrence et à mémoire contrainte penche pour la première option, la recherche de la meilleure qualité de reconstruction et de la latence mono-flux la plus basse pour la seconde. Critère d'acceptation mesurable : latence de bout en bout du premier bloc et du premier son, nombre de flux concurrents tenables par cœur, empreinte mémoire réelle du décodeur après quantification, et ViSQOL et distance mel sur vos propres audios — si les métriques se dégradent au-delà du seuil après quantification, revenir à un niveau de précision supérieur. Décision 3 : quelle métrique utiliser pour choisir un codec ? Le changement rapporté correspondant est que LiquidCodec obtient les meilleurs ViSQOL et distance mel sur les 8 jeux de test ainsi que le meilleur UTMOSv2 en TTS, mais qu'il est devancé par NanoCodec sur le PESQ (WB) (1 contre 7) et sur la similarité de locuteur, avec un SECS de 0,785 contre 0,836. Le choix à faire : déterminer d'abord si le produit privilégie la fidélité du contenu et l'intelligibilité ou la préservation de l'identité du locuteur, en retenant la métrique principale en conséquence, et conserver si besoin NanoCodec comme référence. La condition qui ferait changer ce choix est la nature du cas d'usage : doublage, clonage ou distinction de locuteurs ; un simple post-traitement de transcription est insensible au SECS, alors que les produits liés au timbre d'un personnage y sont très sensibles. Critère d'acceptation mesurable : mesurer simultanément SECS, PESQ (WB) et taux d'erreur de mots sur votre propre ensemble de locuteurs, et décider selon le seuil propre à chaque métrique plutôt qu'à partir d'un score global unique.

Limites et points à confirmer

Tous les chiffres de vitesse et de qualité rapportés proviennent de tests internes de Liquid AI ; les mesures de vitesse ont été faites en FP32 sur un seul thread CPU d'un ordinateur portable Apple M4 Max, et les 8 jeux de test ont également été choisis par le fabricant : rien n'a été reproduit par un tiers indépendant. La source ne précise pas le débit binaire de LiquidCodec, ni si le décodeur est entièrement causal ; la planification de bande passante et la borne inférieure de latence du décodage streaming ne peuvent donc pas être déduites de l'article et doivent être mesurées. Un écart de convention apparaît entre les tableaux et les benchmarks : le tableau de caractéristiques indique Mimi à 8 codebooks pour 1,1 kbps, alors qu'une note de bas de page des benchmarks précise que Mimi a été mesuré avec 12 codebooks ; toute comparaison entre tableaux doit d'abord vérifier la comparabilité. La publication des poids sur Hugging Face ne vaut pas licence permissive : la page du modèle est marquée « other » et le blog renvoie à la licence LFM, et ni l'origine des données d'entraînement ni les conditions de redistribution ne sont détaillées dans l'article ; il faut les vérifier avant tout usage commercial ou toute redistribution. LiquidCodec n'apparaît pas actuellement dans le catalogue de modèles de KimiSeek : cette version n'y est pas listée. Les poids et les dépôts concernés relèvent des canaux de publication de Liquid AI sur Hugging Face et leur disponibilité dépend du fabricant ; cet article ne fait aucune supposition sur leur intégration sur ce site. Enfin, l'article ne traite pas de résultats spécifiques au codec aller-retour pour la parole chinoise ou pour des scénarios en chinois ; les 8 jeux de test comprennent bien un ensemble en mandarin, mais aucun chiffre n'en est donné séparément, et les équipes visant des produits vocaux en chinois devront compléter les mesures elles-mêmes.

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

Liquid AI 发布 LiquidCodec:7400 万参数的流式音频编解码器

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.